AI 存储周期开篇：解析 AI 对存储的强劲需求
在 AI 基础设施的三大支柱——计算、网络与存储中，存储是决定数据能否高效输送至计算单元，并在推理、检索及长期任务里实现持续保存、调取与复用的关键环节。
训练环节依赖高带宽内存，推理环节则对上下文容量和数据调度速度提出更高要求，智能体应用还需兼顾长期状态管理、检索能力、工具调用及文件处理。随着算力不断向生产场景下沉，存储已从配套组件升级为系统性能的关键制约因素。
从产业链视角出发，AI 同步带动了 DRAM、HBM、LPDDR、NAND、企业级 SSD 以及高容量 QLC SSD 的需求增长。不同产品对应不同层级架构，每一层都直接影响 AI 系统将算力转化为可用服务的能力。
DRAM、HBM 与 LPDDR 属于易失性内存，断电后数据会立即丢失。它们主要支撑运行中的计算任务，核心衡量指标涵盖带宽、延迟、容量、能效以及与计算芯片的互连方式。
NAND 属于非易失性闪存，断电后仍能保留数据。SSD 则是基于 NAND 闪存构建的存储设备，通常由 NAND 闪存颗粒、控制器芯片、固件、接口、缓存及电源管理模块等构成。可以将 NAND 视为 SSD 的核心存储介质，而 SSD 则是面向服务器或终端系统交付的完整存储产品形态。
这些产品在材料和工艺上存在差异，但共享硅基半导体制造、封装及测试供应链的部分能力。DRAM 单元一般由一个晶体管和一个电容组成，需持续刷新；NAND 通过垂直堆叠的存储单元保存电荷，重点在于 3D 堆叠层数、良率与耐久性；HBM 则采用 DRAM die 进行垂直堆叠，借助 TSV（硅通孔）和先进封装技术靠近 GPU 或 ASIC，以实现更高带宽和更低功耗。
端侧存储是一种设备形态中的组合方案。手机、AI PC、汽车及机器人通常同时采用 LPDDR 或其他 DRAM 作为运行内存，并以 UFS、eMMC、SSD 或嵌入式 NAND 作为本地持久化存储。端侧产品更注重功耗、体积、温度适应性、可靠性及成本控制。
HBM 是当前 AI 加速器领域最为关键的存储产品之一。大模型训练与高吞吐推理需要在 GPU 或 ASIC 周边快速搬运数据，HBM 凭借高带宽、低功耗及高密度封装特性成为首选。
HBM 的独特性体现在，它既占用 DRAM 晶圆产能，也依赖先进封装和更为复杂的测试验证流程。每一代 HBM 在容量、堆叠层数和带宽上的提升，都会推高制造复杂度，并挤压非 HBM DRAM 的可用供给。
美光在最新财报材料中披露，HBM4 12 层堆叠产品的量产爬坡速度达到 HBM3E 12 层堆叠产品的两倍，成熟良率预计也将更快达到 HBM3E 12 层产品的水平。公司还披露 HBM4 收入已突破 10 亿美元，HBM4E 将基于 1-gamma DRAM 打造，并预计于 2027 年实现量产。新一代 HBM 的看点集中在堆叠工艺、良率表现、制程节点及放量速度的持续迭代上。
随着推理和智能体应用的不断扩张，数据中心内用于通用计算的 CPU 服务器也将迎来增长。CPU 服务器承担着控制平面、任务编排、程序执行、数据预处理及外围服务等职能。这些系统对 DDR5、未来 DDR6 以及高容量服务器 DRAM 有大量需求。
美光管理层在 FY2026 Q3 prepared remarks 中指出，智能体式 AI 正在重塑数据中心基础设施。需求既来自 AI 的 GPU 负载，也来自用于智能体控制平面和程序执行的 CPU 服务器机架，以及用于上下文存储的存储机架。
这正是普通服务器 DRAM 同样受益的原因。AI 应用进入生产环境后，系统需要管理状态、调用工具、访问数据库、运行应用逻辑、处理用户上下文。GPU 决定模型推理速度，DRAM 则决定外围计算和调度系统能否稳定运行。
NAND 通常被视为更偏存储、价格弹性更大的产品。但 AI 推理正在重新抬升 NAND 的角色定位。
训练阶段需要存放数据集、模型 checkpoint、日志和中间结果。推理阶段需要检索库、向量库、用户文件、会话状态和上下文缓存。智能体应用进一步增加了长期状态、工作流历史、文件读写和多轮任务记录。高性能 SSD 因此成为 AI 数据中心的重要组成部分。
美光第三财季数据中心 SSD 收入突破 50 亿美元，环比增长超过一倍。公司还披露 G9 NAND 的 PCIe Gen6 高性能 SSD 已进入量产阶段，245TB QLC SSD 已开始出货。相比传统硬盘，QLC SSD 在密度、功耗、延迟和机架空间方面更适合部分数据中心场景。
这也解释了 NAND 本轮改善强度。第三财季，美光 NAND 收入达到 99 亿美元，环比增长 99%，平均售价环比增长处于 80% 多区间。AI 对存储的需求既存在于显存领域，也存在于更广泛的数据层。
高端手机、AI PC、汽车、机器人及工业设备都需要更多本地内存和本地存储。端侧 AI 需要更大容量的 LPDDR、更高带宽、更低功耗，也需要更高容量 NAND 来保存模型、缓存、多媒体内容和用户数据。
汽车和机器人是更具长期潜力的变量。美光表示，L2+ 及以上车辆的内存和存储容量超过普通车辆五倍，L2+ 及以上车辆占比预计从今年超过 20% 提升到 2030 年超过 40%。对于人形机器人，美光认为其内存容量约为普通 L2+ 车辆的 10 倍，并可能在本十年后半段开启长期需求周期。
这类需求会在多年维度上持续抬高每台设备的存储含量。
存储行业过去频繁出现产能过剩，根源在于价格上涨刺激扩产。但本轮供给扩张面临更多约束。
先进制程的复杂度持续攀升。DRAM、NAND 和 HBM 的节点迁移，需要更高的资本开支、更长的验证周期和更复杂的设备支持。
新建晶圆厂的周期进一步拉长。美光在财报材料中强调，新建工厂受建设周期、关键工种、监管要求、能源供应和设备交付等多重因素影响，供给改善需要更长时间。
HBM 消耗更多 DRAM 资源。每一代 HBM 在容量和复杂度上的提升，都会加大对晶圆和封装资源的占用，从而挤压其他 DRAM 产品的供给。
NAND 的洁净室空间同样受到挤压。部分行业厂商将洁净室资源从 NAND 转向 DRAM，将限制 NAND bit supply growth。
多家行业机构对 NAND 供需和资本开支的判断也指向类似方向：供需偏紧态势可能延续，长期协议开始从超大规模云厂商扩展到消费端客户，资本开支更偏向设备升级和节点转换，而非短期新建大量工厂。
DRAM 和 HBM 的核心玩家主要集中在三星、SK hynix 和美光三家。SK hynix 在 HBM 领域占据强势地位，三星具备最大的存储制造规模，美光则在高端 DRAM、HBM、服务器内存、数据中心 SSD 及美国本土供应链上形成差异化优势。
NAND 领域的玩家相对更多，主要包括三星、Kioxia、SanDisk、SK hynix/Solidigm、美光和 YMTC。NAND 市场过去更为分散，也更易受价格周期影响。但如果 AI 上下文存储、企业 SSD 和 HDD 替代持续增长，NAND 的周期属性可能出现一定缓和。
对应到中国企业，可按制造环节和系统产品环节分开观察。DRAM 侧代表是长鑫存储，产品覆盖 DDR、LPDDR 等方向。HBM 需要高端 DRAM die、TSV、微凸点、堆叠封装、良率控制和客户验证等能力，国内仍处于追赶和产业化验证阶段，相关进展需同时关注 DRAM 制造和先进封装链条。NAND 侧代表是长江存储，重点布局 3D NAND 闪存和嵌入式存储解决方案。SSD 侧是基于 NAND 的系统产品，国内可关注江波龙、佰维存储、大普微、忆恒创源等模组和企业级 SSD 厂商，竞争重点落在 NAND 选型、控制器、固件、接口、可靠性及数据中心认证上。
对产业研究而言，核心在于识别每家公司在哪一层存储体系里具备优势。HBM 看带宽和封装，服务器 DRAM 看容量、能效和客户验证，NAND/SSD 看控制器、固件、功耗、容量和数据中心认证。
AI 需求持续增长的根本原因，在于应用形态已然明确走向长期智能体任务。
一次性问答主要消耗模型推理算力。复杂推理需要更长上下文、更高吞吐和更多中间状态。智能体应用需要读取文件、调用工具、访问数据库、保存任务历史，并在多个步骤之间维持状态。企业级应用还需要权限管理、安全防护、审计追溯、日志记录和可复核存档。
这些变化都会扩大内存和存储需求。更大的模型、更长的上下文、更复杂的智能体工作流、更高频的推理调用、更大规模的数据中心部署，共同推动 DRAM、HBM、NAND 和 SSD 的需求持续上行。
因此，存储行业正从传统电子终端周期，切入 AI 基础设施周期。GPU 仍是市场最显眼的资产，但没有足够的内存和存储，AI 数据中心无法稳定生产和交付推理服务，也无法承载真实业务负载。